解释卷积神经网络可用于头癌放射治疗风险器官细分
Victor I J Strijbis1, Oliver J Gurney-Champion2, Dragos I Grama1
1Amsterdam UMC Location Vrije Universiteit Amsterdam, Department of Radiation Oncology, De Boelelaan 1117, 1081 HV, Amsterdam, the Netherlands; Cancer Center Amsterdam, Cancer Treatment and Quality of Life, De Boelelaan 1118, 1081 HV, Amsterdam, the Netherlands.
Computers in biology and medicine
|August 20, 2025
概括
可解释的AI方法可以预测CNN中缺少自轮腺 (PG) 细分. 对XAI归因的拓数据分析准确地标记了不足的轮,提高了临床安全性.
科学领域:
- 医学成像
- 人工智能
- 放射治疗计划
背景情况:
- 卷积神经网络 (CNN) 在放射治疗中标准化风险器官 (OAR) 的自动轮.
- 了解CNN故障模式对于安全的临床部署至关重要,
- 可解释的人工智能 (XAI) 提供了调查CNN决策过程的方法.
研究的目的:
- 通过XAI调查CNN内部细分机制.
- 为预先识别可能不足的腺 (PG) 轮开发一种计算方法.
- 评估拓数据分析对量化XAI信号特征的有用性.
主要方法:
- 在合成和临床CT扫描中进行PG细分的训练3DUNET.
- 使用七种XAI方法生成归因地图,并通过专家推理进行定性评估.
- 使用欧勒特征 (EC) 配置文件的持续同质强度过和主要组件 (PC) 分析来分析XAI归因.
- 与Dice-Sørensen相似系数 (DSC) 相关联的PC固有值,并使用外部数据集的灵敏度,特异性和AUROC进行评估.
主要成果:
- 指导反向传播 (GBP) 和PatternNet归因 (PNet-A) 显示了对PG细分的专家推理的定性一致.
- 导向梯度类激活映射 (GGCAM) 对DSC表现出强大的预测价值 (AUROC=0.94).
- 特定的GCAMEC特征 (λ1 < -1. 8e3) 发现了87%具有高灵敏度和特异性的不足轮.
结论:
- XAI 方法,特别是 GBP 和 PNet-A 方法,提供了对 PG 细分的深入了解.
- 对XAI归属的拓数据分析提供了一种定量方法来标记潜在的不充分的CNN细分.
- 这种针对PG的方法可以扩展到其他OAR和放射治疗规划中的目标体积.
